滚动轴承故障诊断方法

摘要

本发明提出了一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，首先通过改进的分形盒维数从轴承振动信号中提取故障特征(包含能够反映轴承不同工作状态的更有用更易区分的信息)，接着，通过自适应灰色关联算法自动地识别出轴承的故障类型及不同的严重程度。本发明旨在解决采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，能够准确有效的识别不同的滚动轴承故障类型及故障严重程度。

主权项

一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样，得到轴承振动信号数据样本，其中，不同的故障模式对应不同的故障类型及严重程度，且在轴承振动信号数据样本中，不同振动信号与不同故障模式一一对应；步骤2、通过改进的分形盒维数算法从轴承振动信号数据样本中提取每个振动信号的表征故障特征的主导特征向量，并根据不同振动信号与不同故障模式的对应关系，得到各主导特征向量与相应故障模式间的对应关系，其中，改进的分形盒维数算法包括以下步骤：步骤2.1、对振动信号x进行重采样，采样点数为2^K；步骤2.2、对振动信号x进行K次相空间重构，每次相空间重构后计算一次分形盒维数，由得到的所有分形盒维数组成振动信号x的主导特征向量；步骤3、根据主导特征向量与故障模式间的对应关系建立样本知识库；步骤4、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号，并通过改进的分形盒维数算法从实时振动信号中提取实时主导特征向量，基于步骤3建立的样本知识库，利用灰色关联算法计算实时主导特征向量与样本知识库中各故障模式的关联度，通过关联度得到待诊断滚动轴承的故障模式。